要約
少ない観測から迅速に一般化する能力は、知能システムにとって重要な要素です。本論文では、APL（Approximate Probability Learning）アルゴリズムを導入します。このアルゴリズムは、遭遇した最も驚くべき観測を記憶することで確率分布を近似します。過去の観測は外部メモリモジュールから想起され、デコーダネットワークによって処理されます。デコーダネットワークは異なるメモリスロットからの情報を組み合わせて、直接的な想起を超えた一般化を行うことができます。我々は、このアルゴリズムが少ないメモリ使用量で最新の基準モデルと同等の性能を発揮できることを示しています。さらに、そのメモリ圧縮機能により、数千の未知のラベルに対応することが可能となります。最後に、直接分類よりも困難なメタ学習推論課題を導入します。この設定において、APLは各クラスごとに1つ未満の例を使用して帰納的推論を通じて一般化することができます。注：「deductive reasoning」は通常「帰納的推論」と訳されることが多いですが、「演绎推理」（演繹的推論）の方が正確である場合もあります。本訳では「帰納的推論」としましたが、「演绎推理」が必要であればご指摘ください。